El objetivo de este proyecto es desarrollar un nuevo enfoque computacional más robusto y eficiente para identificar la posición y orientación de estructuras dentro de imágenes tridimensionales (3D), también conocidas como tomogramas o imágenes volumétricas. Este enfoque debe procesar cualquier estructura 3D arbitraria dentro de un contexto muy complejo.

Solución práctica

Una solución práctica a este problema computacional, particularmente para procesar datos experimentales de la tomografía crioelectrónica (cryo-ET en inglés), permitiría una proteómica visual efectiva in situ, lo que implicaría visualizar complejos moleculares y sus constituyentes proteicos dentro de la célula. Una proteómica visual efectiva sería un avance revolucionario en biología molecular y biomedicina, ya que permitirá un análisis integral y cuantitativo de la organización celular a nivel molecular.

Análisis de datos de cryo-ET

El análisis de datos de cryo-ET requiere extender el estado del arte actual en procesamiento de imágenes, ya que las estructuras celulares son altamente heterogéneas y la interpretación de las imágenes volumétricas se ve severamente obstaculizada por varios factores como el ruido, el bajo contraste y las distorsiones anisótropas.

Template matching (TM)

El algoritmo de referencia para la detección de patrones estructurales en cryo-ET es template matching (TM), a pesar de que su coste computacional es elevado y su robustez se ve comprometida en contextos complejos, p.e. en el interior de una célula. Recientemente los algoritmos de aprendizaje profundo (deep learning, DL) se han aplicado con éxito para resolver problemas de visión artificial en muchos dominios de aplicación.

Limitaciones y desafíos

No obstante, el análisis de la mayoría de los complejos macromoleculares en tomogramas celulares sigue siendo un desafío y en la práctica TM sigue siendo el método más utilizado. Una limitación importante para aplicar algoritmos de DL en cryo-ET es la falta de datos anotados confiables para un entrenamiento supervisado. Además, los algoritmos de DL actuales solo proporcionan la posición, ignorando la orientación de las estructuras, información que TM es capaz de proporcionar.

Objetivos del proyecto

En este proyecto proponemos desarrollar novedosos algoritmos que traten de aunar las propiedades de TM y DL. Nuestro propósito es mejorar la robustez y la eficiencia del estado del arte actual para la detección (posición y orientación) de patrones moleculares in imágenes de cryo-ET.

Importancia de la proteómica visual

El logro de los objetivos del proyecto supondría un gran salto hacia adelante para alcanzar una proteómica visual efectiva: la capacidad de visualizar proteínas en la célula y monitorizar cambios en su estructura, cantidad, distribución e interacciones. La proteómica visual es un objetivo largamente perseguido ya que proporcionará la información clave a nivel molecular para entender las causas de las enfermedades y encontrar tratamientos y curas.